鲸鱼算法代码python

鲸鱼算法（Whale Algorithm）是一种受到鲸鱼行为启发的进化算法，用于解决优化问题。它模拟了鲸鱼觅食的行为，通过群体移动和逃避障碍物来寻找最优解。

下面是使用Python实现鲸鱼算法的简单代码：

import random
import math

def whale_algorithm(dim, search_space, max_iter):
    population = []
    
    # 初始化种群
    for _ in range(search_space):
        x = [random.uniform(-search_space, search_space) for _ in range(dim)]
        population.append(x)
    
    # 最优解和最优适应度
    best_solution = population[0]
    best_fitness = fitness_function(best_solution)
    
    # 迭代搜索
    for iter in range(max_iter):
        a = 2 - iter * (2 / max_iter)  # 衰减因子
        
        for i in range(search_space):
            x = population[i]
            A = random.uniform(-1, 1)  # 随机向量
            C = 2 * random.random()  # 倍数
            
            for j in range(dim):
                D = abs(C * best_solution[j] - x[j])  # 距离向量
                b = 1  # 倍数
                
                if random.random() < 0.5:
                    x[j] = D * math.exp(b * a) * math.cos(2 * math.pi * a) + best_solution[j]
                else:
                    x[j] = D * math.exp(b * a) * math.sin(2 * math.pi * a) + best_solution[j]
            
            # 更新最优解和最优适应度
            fitness = fitness_function(x)
            
            if fitness < best_fitness:
                best_solution = x
                best_fitness = fitness
    
    return best_solution

def fitness_function(x):
    # 自定义适应度函数
    return sum(x)

# 使用示例
dim = 5  # 维度
search_space = 30  # 种群大小
max_iter = 100  # 最大迭代次数

best_solution = whale_algorithm(dim, search_space, max_iter)
print("Best Solution:", best_solution)

在这个例子中，鲸鱼算法被用于求解一个简单的优化问题，即求一个向量的各个元素的和最小值。算法使用了衰减因子和随机向量等操作来模拟鲸鱼的觅食行为，通过迭代搜索逐渐找到最优解。最后输出找到的最优解。